CVD-STORM：面向自动驾驶的跨视角视频扩散与时空重建模型

arXiv 25.10 2025 60.6 method, application

TLDR

CVD-STORM利用跨视角视频扩散模型和时空VAE生成多视角驾驶视频并实现4D重建。

评分理由

The paper presents a novel approach combining video diffusion with 4D reconstruction for autonomous driving, showing strong empirical results. However, it lacks interactive or reinforcement learning aspects, limiting its scope to passive video generation.

Read-first 评分解释

综合优先阅读分 60.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 41。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：实验、指标、结果

主题相关性 42%

58.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码、GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：193。

关键词评分

generative world model

video world model

world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

面向自动驾驶的跨视角视频扩散模型与时空重建VAE
通过辅助4D重建任务微调VAE，增强对3D结构和时间动态的编码能力
联合训练的高斯泼溅解码器用于动态场景重建

方法

该方法首先通过辅助的4D重建任务微调变分自编码器（VAE），以提升其编码3D结构和时间动态的能力。随后，将增强后的VAE集成到视频扩散过程中，在多种控制输入下生成长时序、多视角视频，从而实现具备4D重建能力的跨视角视频生成。

关键结果

该模型在FID和FVD指标上均取得了显著改进，联合训练的高斯泼溅解码器能够有效重建动态场景，为场景理解提供有价值的几何信息。

资源

论文